Apprentissage automatique - KAIE9M15

  • Volumes horaires

    • CM 12.0
    • Projet -
    • TD -
    • Stage -
    • TP 36.0
    • DS -

    Crédits ECTS

    Crédits ECTS 0.4

Objectif(s)

Découvrir les algorithmes d'apprentissage automatique et être capables les mettre en oeuvre à bon escient sur des problèmes concrets.

Contenu(s)

Chapitre 1 :

  • L'apprentissage bayésien (apprentissage par estimation de densités de probabilités) : classifieurs linéaires ou quadratiques, noyaux de Parzen, kppV, ?
  • Evaluation d?un système de décision, Comparaison de performances des algorithmes
  • Le choix de l?espace de représentation

Chapitre 2 : L?apprentissage par calcul direct des frontières (apprentissage par optimisation) : réseaux de neurones, SVM,, introduction au deep learning (CNN)

Chapitre 3 : Les arbres de décisions (apprentissage par combinaison de décisions) : induction d?arbres de décision (C4.5, CART ?), random forest

Chapitre 4 : La classification non supervisée (apprentissage par similarité) : CAH, k-means, GMM

Prérequis

Probabilités, statistiques, algèbre linéaire

Contrôle des connaissances

100% contrôle continu
En cas de non validation d’une UE, le jury peut autoriser l’élève ingénieur à passer des épreuves complémentaires pour la valider.

Calendrier

Le cours est programmé dans ces filières :

  • Formations d'ingénieur - IESE - Semestre 9

Informations complémentaires

Code de l'enseignement : KAIE9M15
Langue(s) d'enseignement : FR

Vous pouvez retrouver ce cours dans la liste de tous les cours.

Bibliographie

Statistical pattern recognition K. Fukunaga, Academic Press

Decision, estimation and classification ? An introduction to pattern recognition and related topics, C. Therrien, Wiley

Diagnostic et reconnaissance de formes, B. Dubuisson, Hermes

Kernel methods for pattern analysis, J. Shawe-Taylor, N. Christianini, Cambridge university press

An introduction to support vector machines and other kernel-based learning methods, N. Christianini, J. Shawe-Taylor, Cambridge university press

Réseaux neuronaux, JP; Bernard, Vuibert

Graphes d?induction, Apprentissage et data-mining, D. Zighed et R. Rakotomalala, Hermes

Learning and soft computing, V. Kecman, MIT Press
Apprentissage artificiel, concepts et algorithmes, A. Cornuejols, L. Miclet, Eyrolles
Apprentissage artificiel: Deep learning, concepts et algorithmes Vincent Barra , Laurent Miclet; A. Cornuejols, L. Miclet, Eyrolles
Bases théoriques pour l?apprentissage et la reconnaissances des formes, A. de Beauville, F.Z. Kettaf, Cépadues